上市公司财务报表是反映其公司在一段时间经营情况的综合性文件。我国法律规定,上市公司必须定期向社会报告。但近年来国内上市公司财务舞弊现象却频频爆出,个别上市公司在面临财务危机时候,为保护上市公司自身利益第一时间会选择对财务数据进行粉饰甚至舞弊,以此来提升投资者信心或逃避相关部门的监管。此类行为极大地削弱了民众对我国资本市场的信心,而传统人工审计方法对上市公司舞弊识别效果却差强人意。因此若能根据上市公司披露的年度财务数据通过数据挖掘技术提前预测某些公司有无可能发生舞弊行为,就能极大地减少投资者的损失和上市公司强制退市对市场的冲击。本文旨在解决此类问题,将2015—2019年制造业上市公司财务相关数据作为研究对象,把研究重点放在各种数据挖掘模型的分析上,最终将构建一个基于遗传算法（Genetic Algorithm）优化的Stacking融合模型。通过该模型判断制造业上市公司是否在本年度进行舞弊。为实现上述目的,本文进行如下工作:（1）本文将使用遗传算法、SHAP特征分析法以及统计检验三种方式依次进行特征选择。对选择出的可用于财务舞弊识别的指标进行验证性因子分析,以达到降维的效果方便模型的解释,同时根据因子分析结果建立一个二级指标体系。（2）本文将分别对Logistic回归模型、SVM模型、随机森林模型、XGBoost模型、Light GBM模型以及BP-神经网络模型进行模型识别效果横向对比,并对识别效果较好的三个模型建立一个Stacking融合模型。在此基础上利用遗传算法对所建立的Stacking融合模型进行优化,得出识别效果更佳的GA-Stacking融合模型。实证结果表明:（1）制造业上市公司发生财务舞弊的指标主要集中在经营发展能力相关指标以及部分资产负债状况的指标。此类财务指标舞弊往往最能直接反映一个企业的发展状况,因此成为制造业上市公司蒙蔽投资者进行财务舞弊的首选。（2）在进行制造业上市公司财务舞弊识别领域,GA-Stacking融合模型的识别效果要明显优于单个机器学习模型。单个模型表现最优的是BP-神经网络模型,Logistic模型表现最差。此外,树模型在该问题上表现较好,支持向量机模型在对舞弊样本识别方面也有其特别的优势。（3）通过本案例及所建立的GA-Stacking模型证实了运用遗传算法进行调参相较于传统的网格搜索法和随机搜索法有着其独特的优势,非常适宜大样本数据集模型的优化。